Optimierungspotentiale der Studienabbruchsvorhersage durch Frühwarnsysteme – Werden die „richtigen“ Studierenden gewarnt?
Hauptsächlicher Artikelinhalt
Abstract
Um Studierende bereits vor der Verfestigung von Problemlagen im Studienverlauf und somit weit vor einem potenziellen Studienabbruch unterstützen zu können, sind an einigen deutschen Hochschulen Frühwarnsysteme eingeführt worden. Dabei unterscheiden sich die Warnsysteme in der Art und Weise, wie sie konzipiert sind und wie sie die Studierenden erkennen, die möglichweise einen problematischen Studienverlauf haben könnten. Für den vorliegenden Beitrag dient das Frühwarnsystem der Technischen Universität Dresden als Beispiel dafür, wie durch Variation von Identifizierungsregeln eine Verbesserung der Erkennung problematischer Studienverläufe erfolgen kann. Es wird dargestellt, wie ein Weiterentwicklungsprozess eines aus der Praxis entstandenen Systems erfolgen kann und welche Daten dafür zur Verfügung stehen müssen. Die Ergebnisse zeigen, dass durch die vorgestellten Optimierungsmethoden eine Verbesserung der Identifizierungsleistung des Frühwarnsystems erreicht werden kann, sodass im Testdatensatz sechs bis acht Prozentpunkte mehr Studierende korrekt bestimmt werden können.
Schlüsselwörter: Frühwarnsystem, Studienabbruch, Studienverlauf, Optimierung, Identifizierungsmerkmale
Bibliographie: Pelz, Robert/Schulze-Stocker, Franziska/Winter, Johannes/Haag, Wolfgang: Zwischen Optimierungspotentiale der Studienabbruchsvorhersage durch Frühwarnsysteme – Werden die „richtigen“ Studierenden gewarnt?, ZeHf – Zeitschrift für empirische Hochschulforschung, 2-2024, S. 87-106.
Artikel-Details
Literatur
Ahles, L., Köstler, U., Vetter, N. & Wulff, A. (2016). Studienabbrüche an deutschen Hochschulen. Stand der Thematisierung und strategische Ansatzpunkte (Studien zum sozialen Dasein der Person, Bd. 20). Nomos Verlagsgesellschaft. https:/doi.org/10.5771/9783845276816.
Anastasio, S., Holthusen, L., Konrad, N., Lietz, S., Magnum, C., Wendler, G., Wildner, F. & Kiepenheuer-Drechsler, B. (2020). Studienabbrecher/innen als Zielgruppe der Beratung und Öffentlichkeitsarbeit. Beiträge aus dem Projekt „Queraufstieg Berlin“. Forschungsinstitut Betriebliche Bildung (f-bb) gGmbH. https://doi.org/10.3278/6004808w.
Berens, J. & Schneider, K. (2019). Drohender Studienabbruch: Wie gut sind Frühwarnsysteme. Qualität in der Wissenschaft (QIW), 13, 102–08.
Berens, J., Schneider, K., Görtz, S., Oster, S. & Burghoff, J. (2019). Early detection of students at risk: Predicting student dropouts using administrative student data from German universities and machine learning methods. Journal of Educational Data Mining, 11, 1–41. https://doi.org/10.5281/zenodo.3594771.
Berens, J. (2021). Maschinelle Früherkennung abbruchgefährdeter Studierender: Konzeption, Systemvergleich und Evaluation (Dissertation). Bergische Universität Wuppertal. https://doi.org/10.25926/7jv7-2s67.
Blüthmann, I., Lepa, S. & Thiel, F. (2008). Studienabbruch und -wechsel in den neuen Bachelorstudiengängen. Untersuchung und Analyse von Abbruchgründen. Zeitschrift für Erziehungswissenschaft, 11, 406−429. https://doi.org/10.1007/s11618-008-0038-y.
D’Angelo, D. (2019). Zeichenhorizonte: Semiotische Strukturen in Husserls Phänomenologie der Wahrnehmung. Cham: Springer International Publishing. https://doi.org/10.1007/978-3-030-17468-2.
Daniel, A., Neugebauer, M. & Watermann, R. (2019). Studienabbruch und Einstellungschancen auf dem Ausbildungsmarkt: Ein faktorieller Survey mit Arbeitgeber/innen. Zeitschrift für Erziehungswissenschaft, 22, 1147–1174. https://doi.org/10.1007/s11618-019-00905-0.
Dubey, S. R., Basha, S. S., Singh, S. K. & Chaudhuri, B. B. (2022). AdaInject: Injection based adaptive gradient descent optimizers for convolutional neural networks. IEEE Transactions on Artificial Intelligence. https://doi.org/10.1109/TAI.2022.3208223.
Dudenredaktion (o. J.). Optimum. In Duden Online. Abgerufen am 07. Mai 2023, von https://www.duden.de/rechtschreibung/Optimum.
Hambrinker, P. (2021). Studienabbruch? Was Studierende tun können, wenn es im Studium nicht „rund“ läuft. API Magazin, 2. https://doi.org/10.15460/apimagazin.2021.2.1.53.
Hauss, K. & Seyfried, M. (2019). Hochschulen im Befragungsdilemma–Gedankenexperimente und organisationale Lösungen. Zeitschrift für Hochschulentwicklung, 14, 9–27.
Heublein, U. & Wolter, A. (2011). Studienabbruch in Deutschland. Definition, Häufigkeit, Ursachen, Maßnahmen. Zeitschrift für Pädagogik, 57, 214–236. https://doi.org/10.25656/01:8716.
Heublein, U., Ebert, J., Hutzsch, C., Isleib, S., König, R., Richter, J. & Woisch, A. (2017). Zwischen Studienerwartungen und Studienwirklichkeit. Ursachen des Studienabbruchs, beruflicher Verbleib der Studienabbrecherinnen und Studienabbrecher und Entwicklung der Studienabbruchquote an deutschen Hochschulen. Forum Hochschule, 1/2017. Deutsches Zentrum für Hochschul- und Wissenschaftsforschung GmbH.
Isphording, I. E. & Wozny, F. (2018). Ursachen des Studienabbruchs. Eine Analyse des Nationalen Bildungspanels. IZA research report, 82. Abgerufen am 27. Juni 2023, von https://bit.ly/3f6Qj19.
Konrad, N. & Wildner, F. (2020) Studienzweifel frühzeitig erkennen und helfen: Frühwarnsysteme an Hochschulen. In Anastasio, S., Holthusen, L., Konrad, N., Lietz, S., Mangum, C., Wendler, G., Wildner, F. & Kiepenheuer-Drechsler, B.). Studienabbrecher/innen als Zielgruppe der Beratung und Öffentlichkeitsarbeit. Beiträge aus dem Projekt „Queraufstieg Berlin“. wbv, S. 50–69. (f-bb-online; 03/20). https://doi.org/10.25656/01:30402.
Kemper, L., Vorhoff, G. & Wigger, B. U. (2020). Predicting student dropout: A machine learning approach. European Journal of Higher Education, 10, 28–47. https://doi.org/10.1080/21568235.2020.1718520.
Klein, D., Mishra, S. & Müller, L. (2021). Die langfristigen individuellen Konsequenzen des Studienabbruchs. In M. Neugebauer, H.-D. Daniel & A. Wolter (Hrsg.), Studienerfolg und Studienabbruch (S. 279–300). Springer VS. https://doi.org/10.1007/978-3-658-32892-4_12.
Liashchynskyi, P. & Liashchynskyi, P. (2019). Grid search, random search, genetic algorithm: a big comparison for NAS. https://doi.org/10.48550/ARXIV.1912.06059.
Lückehe, D. (2015). Hybride Optimierung für Dimensionsreduktion: Unüberwachte Regression mit Gradientenabstieg und evolutionären Algorithmen. BestMasters. Springer-Verlag. https://doi.org/10.1007/978-3-658-10738-3.
Marsland, S. (2014). Machine learning: An algorithmic perspective (2nd ed.). CRC Press (Taylor & Francis Group). https://doi.org/10.1201/b17476.
Mohd Talib, N. I., Abd Majid, N. A. & Sahran, S. (2023). Identification of Student Behavioral Patterns in Higher Education Using K-Means Clustering and Support Vector Machine. Applied Sciences, 13, 3267. https://doi.org/10.3390/app13053267.
Murphy, K. P. (2012). Machine learning: A probabilistic perspective. The MIT Press.
Neugebauer, M., Heublein, U. & Hannover, B. (2019). Editorial „Studienabbruch“. Zeitschrift für Erziehungswissenschaften, 22, 1019–1023. https://doi.org/10.1007/s11618-019-00918-9.
Opitz, L. (2021). Dokumentations- und Evaluationsbericht des laufenden Projektes „Studienerfolg im Dialog“. Frankfurt: Goethe-Universität. Online verfügbar unter https://www.uni-frankfurt.de/104680074.pdf.
Powers, D. M. (2010). Evaluation: from precision, recall and F-measure to ROC, informedness, markedness and correlation. https://doi.org/10.48550/ARXIV.2010.16061.
Pelz, R., Schulze-Stocker, F. & Gaaw S. (2020). Determinanten der Studienabbruchneigung von Studierenden. Ergebnisse quantitativer Befragungen an der TU Dresden. In F. Schulze-Stocker, C. Schäfer- Hock & H. Greulich (Hrsg.). Wege zum Studienerfolg. Analysen, Maßnahmen und Perspektiven an der Technischen Universität Dresden 2016-2020 (S. 53–82). TUDpress.
Russel, S. J. & Norvig, P. (2010). Artificial intelligence: A modern approach (3rd ed.). Prentice Hall International.
Schneider, T. (2022). Digitalisierung und Künstliche Intelligenz: Einsatz durch und im Controlling, Springer Fachmedien Wiesbaden. https://doi.org/10.1007/978-3-658-33860-2.
Schulze-Stocker, F., Schäfer-Hock, C. & Pelz, R. (2017). Weniger Studienabbruch durch Frühwarnsysteme – Das Beispiel des PASST?!-Programms an der TU Dresden. Zeitschrift für Beratung und Studium, 12, 26−32.
Schulze-Stocker, F., Gallrein, A.-M. B., Blum, C., Rockstroh, M. & Ishig, A. (2020). PASST?! Partnerschaft – Studienerfolg – TU Dresden – ein Frühwarnsystem für Studierende. In F. Schulze-Stocker, C. Schäfer-Hock & H. Greulich (Hrsg.), Wege zum Studienerfolg. Analysen, Maßnahmen und Perspektiven an der Technischen Universität Dresden 2016-2020 (S. 189–224). TUDpress.
Schulze-Stocker, F. & Schäfer-Hock, C. (2020). Transformation von Hochschulen–Transformation von Bildungswegen junger Erwachsener: Frühwarnsysteme an Hochschulen in Deutschland. In O. Dörner, C. Iller, I. Schüßler, H. von Heiden & S. Lerch (Hrsg.), Erwachsenenbildung und Lernen in Zeiten von Globalisierung, Transformation und Entgrenzung (S. 237–250). Schriftenreihe der Sektion Erwachsenenbildung in der Deutschen Gesellschaft für Erziehungswissenschaft (DGfE). https://doi.org/10.25656/01:20589.
Statistisches Bundesamt. (2023). 6,5% weniger Studienanfängerinnen und -anfänger in MINT-Fächern im Studienjahr 2021. Abgerufen am 27. Juni 2023, von https://www.destatis.de/DE/Presse/Pressemitteilungen/2023/01/PD23_N004_213.html.
Stifterverband für die Deutsche Wissenschaft. (2007). Studienabbruch: Staat setzt jährlich 2,2 Mrd. Euro in den Sand. Presseportal. Abgerufen am 27. Juni 2023, von https://www.presseportal.de/pm/18931/1057835.
Stubbs, R., Wilson, K. & Rostami, S. (2020). Hyper-parameter Optimisation by Restrained Stochastic Hill Climbing. In Z. Ju, L. Yang, C. Yang, A. Gegov & D. Zhou (Hrsg.), Advances in Computational Intelligence Systems: Contributions Presented at the 19th UK Workshop on Computational Intelligence, September 4-6, 2019, Portsmouth, UK 19 (S. 189–200). Cham: Springer International Publishing. https://doi.org/10.1007/978-3-030-29933-0_16.
Syarif, I., Prugel-Bennett, A. & Wills, G. (2016). SVM parameter optimization using grid search and genetic algorithm to improve classification performance. TELKOMNIKA (Telecommunication Computing Electronics and Control), 14, 1502–1509. http://doi.org/10.12928/telkomnika.v14i4.3956.
Theune, K. (2021). Determinanten und Modelle zur Prognose von Studienabbrüchen. In M. Neugebauer, H.-D. Daniel & A. Wolter (Hrsg.), Studienerfolg und Studienabbruch (S. 19–40). Springer VS. https://doi.org/10.1007/978-3-658-32892-4_2.
Technische Universität Dresden. (2019). Endspurtberatung der Zentralen Studienberatung. Abgerufen am 21.02.2025, von https://tu-dresden.de/tu-dresden/veranstaltungen/veranstaltungskalender/endspurtberatung-der-zentralen-studienberatung/endspurtberatung-3.
Technische Universität Dresden. (2025). Vision und strategische Ziele der TU Dresden. Abgerufen am 16.04.2025, von https://tu-dresden.de/tu-dresden/profil/vision-und-strategische-ziele.
Vandamme, J.-P., Meskens, N. & Superby, J.-F. (2007). Predicting academic performance by data mining methods. Education Economics, 15, 405–419. https://doi.org/10.1080/09645290701409939.
Waltl, D. B. (2019). Erklärbarkeit und Transparenz im Machine Learning. In K. Mainzer (Hrsg.), Philosophisches Handbuch Künstliche Intelligenz (1–23). Springer VS. https://doi.org/10.1007/978-3-658-23715-8_31-1.
Westerholt, N., Lenz, L., Stehling, V. & Isenhardt, I. (2018). Beratung und Mentoring im Studienverlauf. Ein Handbuch. Waxmann Verlag. https://doi.org/10.25656/01:16563.
Zou, D., Cao, Y., Zhou, D. & Gu, Q. (2018). Stochastic gradient descent optimizes over-parameterized deep relu networks. https://doi.org/10.48550/ARXIV.1811.08888.